آموزش MLOPS (عملیات یادگیری ماشین) اصول - آخرین آپدیت

دانلود MLOps (Machine Learning Operations) Fundamentals

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شرکت کنندگان را با ابزارهای MLOPS و بهترین روشها برای استقرار ، ارزیابی ، نظارت و بهره برداری از سیستم های تولید ML در Google Cloud آشنا می کند. MLOPS یک رشته است که بر استقرار ، آزمایش ، نظارت و اتوماسیون سیستم های ML در تولید متمرکز شده است. متخصصان مهندسی یادگیری ماشین از ابزارهایی برای بهبود مستمر و ارزیابی مدل های مستقر استفاده می کنند. آنها با دانشمندان داده (یا می توانند) ، که مدل ها را توسعه می دهند ، کار می کنند تا سرعت و سخت گیری را در استقرار بهترین مدلهای عملکردی فعال کنند.

سرفصل ها و درس ها

چرا و چه زمانی به MLOps نیاز داریم Why and When do we need MLOps

  • مقدمه دوره Course Introduction

  • نکات درد دانشمندان داده Data Scientists’ Pain Points

  • چرخه عمر یادگیری ماشین Machine Learning Lifecycle

  • معماری MLOPS و اجزای گسترده Tensorflow MLOps Architecture and TensorFlow Extended Components

درک م mainلفه های اصلی Kubernetes (اختیاری) Understanding the main Kubernetes components (Optional)

  • مقدمه Introduction

  • آشنایی با ظروف Introduction to Containers

  • ظروف و تصاویر کانتینر Containers and Container Images

  • معرفی آزمایشگاه Lab introduction

  • شروع با GCP و Qwiklabs Getting Started With GCP And Qwiklabs

  • آزمایشگاه: کار با Cloud Build Lab: Working with Cloud Build

  • محلول آزمایشگاه Lab solution

  • آشنایی با Kubernetes Introduction to Kubernetes

  • آشنایی با موتور Google Kubernetes Introduction to Google Kubernetes Engine

  • جزئیات گزینه ها Compute Options Detail

  • مفاهیم Kubernetes Kubernetes Concepts

  • صفحه کنترل Kubernetes The Kubernetes Control Plane

  • مفاهیم موتور Google Kubernetes Google Kubernetes Engine Concepts

  • مقدمه آزمایشگاه Lab Introduction

  • آزمایشگاه: استقرار موتور Google Kubernetes Lab: Deploying Google Kubernetes Engine

  • راه حل آزمایشگاه Lab Solution

  • استقرار 1 Deployments 1

  • راه های ایجاد استقرار Ways to Create Deployments

  • خدمات و مقیاس گذاری Services and Scaling

  • به روزرسانی استقرار Updating Deployments

  • به روزرسانی های نورد Rolling Updates

  • استقرار آبی-سبز Blue-Green Deployments

  • استقرار قناری Canary Deployments

  • مدیریت استقرار Managing Deployments

  • معرفی آزمایشگاه Lab Intro

  • آزمایشگاه: ایجاد استقرار موتور Google Kubernetes Lab: Creating Google Kubernetes Engine Deployments

  • مشاغل و کرونجها Jobs and CronJobs

  • مشاغل موازی Parallel Jobs

  • کرونجوب CronJobs

مقدمه ای بر خطوط لوله بستر های نرم افزاری AI Introduction to AI Platform Pipelines

  • نمای کلی Overview

  • آشنایی با خطوط لوله AI Platform Introduction to AI Platform Pipelines

  • خطوط لوله AI Platform: مفاهیم AI Platform Pipelines : Concepts

  • خطوط لوله AI Platform: چه زمانی استفاده می شود AI Platform Pipelines : When to use

  • خطوط لوله AI Platform: اکوسیستم AI Platform Pipelines : Ecosystem

  • آزمایشگاه: در حال اجرا خطوط لوله AI Platform Lab: Running AI Platform Pipelines

  • راه حل آزمایشگاه: خطوط لوله AI Platform Lab Solution: AI Platform Pipelines

آموزش ، تنظیم و خدمت در بستر AI Training, Tuning and Serving on AI Platform

  • بررسی اجمالی سیستم و مفاهیم System and concepts overview

  • یک مجموعه داده قابل تکرار ایجاد کنید Create a reproducible dataset

  • یک مدل قابل تنظیم را پیاده سازی کنید Implement a tunable model

  • یک ظرف آموزشی را بسازید و فشار دهید Build and push a training container

  • مدل را آموزش دهید و تنظیم کنید Train and tune the model

  • مدل را سرو و پرس و جو کنید Serve and query the model

  • مقدمه آزمایشگاه: آموزش ، تنظیم و خدمت بر روی سیستم عامل AI Lab Intro: Training, Tuning, and Serving on AI Platform

  • آزمایشگاه: استفاده از ظروف سفارشی با آموزش پلت فرم AI Lab: Using custom containers with AI Platform Training

خطوط لوله Kubeflow در بستر AI Kubeflow Pipelines on AI Platform

  • مفهوم سیستم و مفهوم System and concept overview

  • توصیف خط لوله Kubeflow با KF DSL Describing a Kubeflow Pipeline with KF DSL

  • اجزای از پیش ساخته شده Pre-built components

  • اجزای سبک وزن پیتون Lightweight Python Components

  • اجزای سفارشی Custom components

  • کامپایل ، بارگذاری و اجرا Compile, Upload and Run

  • مقدمه آزمایشگاه: خط لوله آموزش مداوم با خط لوله Kubeflow و پلت فرم Cloud AI Lab Intro: Continuous Training Pipeline with Kubeflow Pipeline and Cloud AI Platform

  • آزمایشگاه: خط لوله آموزش مداوم با سیستم عامل KFP و AI Cloud Lab: Continuous Training Pipeline with KFP and Cloud AI Platform

CI/CD برای خطوط لوله Kubeflow در بستر AI CI/CD for Kubeflow Pipelines on AI Platform

  • مفهوم مفهوم Concept Overview

  • سازندگان سازنده ابر Cloud Build Builders

  • پیکربندی ساخت ابر Cloud Build Configuration

  • ساخت ابر محرک است Cloud Build Triggers

  • معرفی آزمایشگاه: CI/CD برای خط لوله Kubeflow Lab Intro: CI/CD for a Kubeflow Pipeline

  • آزمایشگاه: CI/CD برای خط لوله KFP Lab: CI/CD for a KFP pipeline

خلاصه دوره Course Summary

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش MLOPS (عملیات یادگیری ماشین) اصول
جزییات دوره
4h 0m
63
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
6
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.